通过复杂度最小化建立元学习的可证明数据缩放定律

基于摘要分析。本文研究预训练数据规模增大为何能降低下游任务的样本需求，提出 complexity minimization 元表征学习框架，以支持对这一缩放行为的理论分析。作者报告，在该框架下显式构造的算法，其下游收敛率指数会随预训练数据规模增加而改善；并报告将复杂度正则化加入现有元学习方法后，可持续改善下游样本效率。 理论贡献是给出缩放定律式行为的可实现性证明，而非证明任意预训练方法都具有相同规律。摘要未交代复杂度的具体定义、正则项形式、算法构造、任务分布假设，以及预训练规模如何计量，因此尚不能判断结论依赖哪些数据结构、监督条件与规模范围。实证部分所用数据集、下游任务、对照方法及改善幅度均尚未验证，实验协议、消融及统计信息也尚未验证。 平台推测（待验证）：若复杂度约束能在保留任务相关信息的同时限制表征的有效复杂度，可能与 EEG 小样本适配问题存在机制对应，但原领域有效不等于 BCI 有效。可考虑复用复杂度正则化思想，任务构造与表征模块则需适配 EEG 的时空结构；低信噪比、跨被试差异、通道不一致和小数据条件可能使约束压制微弱判别信息，或无法满足理论假设。 一个可检验的小实验是：在固定跨被试划分、目标被试标注预算和基础元学习方法的条件下，对比加入与不加入该正则化，并改变源被试预训练数据规模，观察目标任务学习曲线是否稳定改善。具体实施需先取得全文确认方法定义；已有 EEG 相关工作尚未检索确认。